基于深度学习的体温与口罩佩戴双检测系统

大多数传染性疾病都以飞沫作为主要传播途径,并伴随发热症状,因此,在人员密集场所实时检测人员体温及口罩佩戴情况能够有效预防病毒传播。文章在YOLOV5模型的基础上加入CBAM模块,用以融合更多尺度的特征信息,进而在图像中更精准地定位人像。提出基于人像的灰度极值定位算法以更加精准的定位目标额头中心,并结合改进YOLOV5模型构建体温与口罩佩戴双检测系统。实验结果表明,该系统能够在有效距离内对多目标进行实时、准确的体温与口罩佩戴情况检测,在保护公众卫生健康方面具有一定的应用价值。

基于SSD算法的口罩佩戴检测模型

新冠疫情期间,按照国家和地方政府要求,乘坐火车及地铁必须佩戴口罩,但车站人流量大、情况复杂,单靠驻站民警和车站工作人员很难对所有乘客的口罩佩戴情况进行监督。为快速检测每一位乘客的口罩佩戴情况,减轻车站防疫压力,利用SSD算法以及one-hot编码搭建了口罩佩戴检测模型。最终测试结果显示,构建的口罩佩戴模型的最终识别正确率达到了98.6%。

基于改进SSD的头盔佩戴检测模型

《郑州市非机动车管理办法》中规定,电动车骑乘人员不戴头盔,处以警告或者罚款。但由于河南省郑州市的电动车数量庞大,交警部门很难确保该办法能够顺利实施。针对该问题,基于特征金字塔网络对传统单镜头多盒检测器(Single Shot Multibox Detector,SSD)模型进行改进,以改进模型为基础搭建了头盔佩戴检测模型,通过该模型来帮助交警部门提升工作效率。最终测试结果显示,该模型与传统SSD模型及YOLOV5模型相比,其识别准确率分别提升9.84%和2.09%。